一種蟻群算法與自適應(yīng)機(jī)制的路徑規(guī)劃算法優(yōu)化

李奇才,舒遠(yuǎn)仲,洪宇軒

(南昌航空大學(xué) 信息工程學(xué)院,南昌 330063)

隨著移動(dòng)型智能設(shè)備在生產(chǎn)建設(shè)、國防工業(yè)以及生活應(yīng)用等領(lǐng)域應(yīng)用的越來越寬廣,各個(gè)國家對機(jī)器人領(lǐng)域也更加重視起來。隨著工作環(huán)境的不同以及工作環(huán)境中各種未知狀況的出現(xiàn),此時(shí)移動(dòng)機(jī)器人的移動(dòng)效率和安全行走則是重要問題,故移動(dòng)型智能設(shè)備的路徑研究則是重點(diǎn)之一,研究出高效的安全路徑具有很大的價(jià)值和意義。然而,移動(dòng)型智能設(shè)備通常是通過激光雷達(dá)和各種傳感器對工作環(huán)境進(jìn)行地圖建模從而進(jìn)行行進(jìn)路徑的規(guī)劃,以最小的消耗來達(dá)到對工作區(qū)域的全遍歷,要求移動(dòng)機(jī)器人的覆蓋率高且重復(fù)率,目前移動(dòng)型智能設(shè)備的路徑規(guī)劃技術(shù)主流的幾種算法有蟻群算法、遺傳算法、生物激勵(lì)神經(jīng)網(wǎng)絡(luò)、模糊推理法以及對各種算法的優(yōu)化等等算法。

目前,蟻群算法在移動(dòng)型智能設(shè)備對于行進(jìn)路徑的搜索技術(shù)上具有很高的效率性,蟻群算法是屬于仿生學(xué),根據(jù)蟻群出來進(jìn)行覓食,在規(guī)定區(qū)域中尋找到最短且有效路徑的搜索算法。蟻群算法在組合優(yōu)化問題中顯示出較強(qiáng)的優(yōu)勢,是一個(gè)增強(qiáng)型學(xué)習(xí)系統(tǒng),具有分布式的計(jì)算特性,且具有較強(qiáng)的魯棒性,易于與其他優(yōu)化算法融合。近幾年來,由于移動(dòng)機(jī)器人的應(yīng)用場景顯著擴(kuò)大,移動(dòng)型機(jī)器人更具有市場,蟻群算法的工作效率更是被國內(nèi)外許多學(xué)者做大量研究,也獲得了一定的成功,另外,對于一些調(diào)度類問題、各類旅行商型問題、多機(jī)編排問題、電路優(yōu)化以及網(wǎng)絡(luò)路由等提供了解決思路。

文獻(xiàn)[1]提出了一種基于精英策略排序的螞蟻算法通過將路徑排序靠前進(jìn)行信息素的釋放的排序?qū)崿F(xiàn)了對移動(dòng)機(jī)器人路徑的有效搜索,但是當(dāng)范圍較大時(shí),導(dǎo)致計(jì)算量也變大;文獻(xiàn)[2]采用了改進(jìn)的D*(D-star Lite)算法通過最小化rhs值來找到最短路徑,遞增式實(shí)現(xiàn)了移動(dòng)機(jī)器人在存在動(dòng)態(tài)障礙和未知工作環(huán)境的路徑規(guī)劃;文獻(xiàn)[3]提出了對寬廣和簡單的場景等一種基于圖搜索的方法,該算法能用相對較少的隨機(jī)采樣點(diǎn)來找到解,運(yùn)算速度高和概率完備,但不是最優(yōu)路徑;文獻(xiàn)[4]采用改進(jìn)A*算法實(shí)現(xiàn)了靜態(tài)環(huán)境下的路徑規(guī)劃,但目標(biāo)點(diǎn)到達(dá)較慢達(dá)時(shí)容易造成大量消耗;文獻(xiàn)[5]基于模糊推理邏輯提出的路徑規(guī)劃算法,面對運(yùn)動(dòng)過程中的魯棒性的能與傳感器感知系統(tǒng)中的“感知-動(dòng)作”行為進(jìn)行結(jié)合處理,此方法為移動(dòng)機(jī)器人路徑規(guī)劃提供效率較高的解決思路;文獻(xiàn)[6]提出了A*算法與人工勢場法相結(jié)合的多層次混合算法以實(shí)現(xiàn)動(dòng)態(tài)環(huán)境下的路徑規(guī)劃問題,但人工勢場法在局部路徑規(guī)劃應(yīng)用中無法較好地規(guī)劃出局部最短路徑,降低了整體運(yùn)行效率;針對蟻群算法存在質(zhì)量差和效率不高的問題,文獻(xiàn)[7]提出了最優(yōu)最差螞蟻算法,通過抑制最優(yōu)與最差路徑信息量之間的差距避免了停滯現(xiàn)象并且收斂速度更快;文獻(xiàn)[8]提出了基于堆排序的Dijkstra算法來選擇最短路徑從而實(shí)現(xiàn)了全局路徑規(guī)劃;文獻(xiàn)[9]針對移動(dòng)機(jī)器人在搜索時(shí)出現(xiàn)的過早收斂和停滯等問題提出了一種基于最大最小螞蟻算法MMAS,該算法將移動(dòng)機(jī)器人規(guī)劃出的行進(jìn)路徑上留的信息素根據(jù)相應(yīng)的公式設(shè)定其上下界,這樣根據(jù)公式不斷更新最優(yōu)路徑避免了螞蟻在路徑搜索的過程中易陷入局部最優(yōu)的問題,而且提高了求解效率,但存在著前期信息素的缺乏等問題;文獻(xiàn)[10-11]提出了用蟻群算法解決旅行商問題。故蟻群算法采用正反饋機(jī)制,是屬于啟發(fā)式概率搜索的方式,在用于路徑規(guī)劃時(shí),根據(jù)釋放信息素和分布式計(jì)算來不斷的更新最優(yōu)路徑,快速的收斂且不易于陷入局部最優(yōu)。

蟻群算法(Ant clony optimization,ACO)是一種群智能算法,它是由一群無智能或有輕微智能的個(gè)體(Agent)通過相互協(xié)作而表現(xiàn)出智能行為,從而為求解復(fù)雜問題提供了一個(gè)新的方法,在移動(dòng)機(jī)器人領(lǐng)域應(yīng)用的非常廣泛,并且對于移動(dòng)型智能設(shè)備傳統(tǒng)蟻群系統(tǒng)具有快速收斂的能力,但往往會(huì)陷入局部最優(yōu)。并且蟻群算法在用于路徑規(guī)劃時(shí),由于存在初始信息素的匱乏,并且需要較長的搜索時(shí)間和容易出現(xiàn)停滯現(xiàn)象。同時(shí)對于移動(dòng)型智能設(shè)備在一些路徑規(guī)劃算法搜索后得到的實(shí)際行進(jìn)路徑,容易出現(xiàn)不符合移動(dòng)機(jī)器人實(shí)際的運(yùn)動(dòng)軌跡以及蟻群算法前期信息素匱乏而導(dǎo)致收斂速度慢的缺點(diǎn)和問題。

針對此類問題,提出了一種自適應(yīng)機(jī)制來建立新的自適應(yīng)信息素更新策略,以提高移動(dòng)型智能設(shè)備的最優(yōu)路徑的搜索能力,同時(shí)還提出了一種蟻群算法與自適應(yīng)機(jī)制的路徑規(guī)劃優(yōu)化方法來解決該問題,并且通過移動(dòng)機(jī)器人進(jìn)行實(shí)驗(yàn)證明本文提出的方法的具有很好的性能性。首先動(dòng)態(tài)更新信息啟發(fā)因子α、期望啟發(fā)因子β以及信息素;然后,增加了自適應(yīng)閾值來克服求解過程停滯,陷入局部最優(yōu)解的問題,隨著迭代次數(shù)的增加,閾值對螞蟻尋優(yōu)過程的影響不斷減小,直至完全由信息素和啟發(fā)信息來指導(dǎo)螞蟻尋優(yōu);最后,對蟻群算法生成的路徑進(jìn)一步優(yōu)化處理,使其更符合移動(dòng)機(jī)器人在實(shí)際環(huán)境工作中的運(yùn)動(dòng)軌跡。實(shí)驗(yàn)的結(jié)果表明,所提出的方法能有效的解決該問題。

1 環(huán)境建模

柵格法對環(huán)境地圖進(jìn)行建模有較高的效率和準(zhǔn)確度,尤其是移動(dòng)機(jī)器人在工作區(qū)域內(nèi)進(jìn)行環(huán)境建模較多。故本文使用文獻(xiàn)[12]的柵格法來建立機(jī)器人的工作環(huán)境地圖,如圖1所示。以單元柵格的形式描述工作環(huán)境的信息,存儲環(huán)境信息。柵格法對環(huán)境地圖建模通常是以不超過自身體積大小為一個(gè)單元柵格,環(huán)境中每一個(gè)單元柵格都有不同的狀態(tài)來表示環(huán)境中對應(yīng)點(diǎn)的環(huán)境信息,故將整個(gè)建成的工作環(huán)境地圖轉(zhuǎn)換成具體信息的數(shù)字地圖。在對工作環(huán)境建完圖后,機(jī)器人在行進(jìn)過程中通過激光雷達(dá)和傳感器感知周圍環(huán)境的信息,有障礙物的地方標(biāo)記為障礙柵格,即不能通過,無障礙物可通行的地方標(biāo)為自由柵格,螞蟻所走的節(jié)點(diǎn)即為自由柵格的中心。建立柵格地圖主要過程為:建立一個(gè)m×m的柵格矩陣存儲環(huán)境信息,將無障礙物的地方對應(yīng)的單元柵格標(biāo)記為0,有障礙物的地方對應(yīng)柵格標(biāo)記為1。本文采取柵格法建模后的環(huán)境圖來說明,如圖1所示。圖1中黑色柵格表示有障礙物的地方,空白格為無障礙物可通行的地方,對一些體積沒有占滿一個(gè)單元柵格的障礙物進(jìn)行膨化處理,直至占滿一個(gè)單元柵格為止,這樣方便機(jī)器人可以在工作環(huán)境柵格地圖上簡化成一個(gè)點(diǎn)行進(jìn)運(yùn)動(dòng),在可通行自由柵格區(qū)域中搜索一條有效且最短的路徑。

圖1 柵格圖

2 蟻群算法的改進(jìn)

2.1 傳統(tǒng)蟻群算法

傳統(tǒng)的蟻群算法是根據(jù)螞蟻在出洞覓食搜尋到最短路徑后,供后來的蟻群沿最短路徑到達(dá)目的地得到的啟發(fā),在1991年由Marco Dorigo等提出。在研究的過程中,他們發(fā)現(xiàn)螞蟻在出來覓食時(shí),會(huì)在它們經(jīng)過的路上留下信息素,用于進(jìn)行信息的傳遞,并且螞蟻?zhàn)哌^的路徑越長,該路徑上留下的信息素因?yàn)閾]發(fā)的多導(dǎo)致信息素濃度變低,相反越短的路徑上面的信息素?fù)]發(fā)的時(shí)間短導(dǎo)致該路徑上的信息素濃度高,更易于引導(dǎo)后來的蟻群來走最短的路徑。根據(jù)此提出一種基于正反饋機(jī)制的蟻群算法。這種仿生算法是一種多群體的智能搜索算法,達(dá)到了整體最終走的是搜索到最優(yōu)路徑的目的,蟻群算法最早用來求解TSP問題,并且表現(xiàn)出了很大的優(yōu)越性,因?yàn)樗植际教匦?魯棒性強(qiáng)并且容易與其它算法結(jié)合,故此類算法應(yīng)用在集成電路設(shè)計(jì)、數(shù)據(jù)挖掘和調(diào)度類問題等領(lǐng)域比較多,近幾年來,經(jīng)過不斷的優(yōu)化和改進(jìn),應(yīng)用的領(lǐng)域也逐漸變多,但是同時(shí)也存在收斂速度慢,容易陷入局部最優(yōu)(Local optimal),而且存在前期缺乏信息的問題和在移動(dòng)機(jī)器人的研究中,不符合機(jī)器人實(shí)際的運(yùn)動(dòng)軌跡等缺點(diǎn)。

2.2 蟻群算法的改進(jìn)方法

步驟1 輸入初始的信息素參數(shù),由初始得到的信息素構(gòu)成信息素矩陣,然后選擇好螞蟻開始的起點(diǎn)和到達(dá)的終點(diǎn),設(shè)置好算法數(shù)學(xué)公式中的參數(shù)。設(shè)置的參數(shù)包括算法進(jìn)行迭代總次數(shù)N,每次迭代的螞蟻總數(shù)M,螞蟻搜索時(shí)留下信息素濃度的強(qiáng)度系數(shù)Q以及信息素的揮發(fā)系數(shù)ρ,初始的信息啟發(fā)因子α和初始的期望啟發(fā)因子β。

步驟2 在傳統(tǒng)蟻群算法中,當(dāng)螞蟻需要從地圖中的某個(gè)節(jié)點(diǎn)轉(zhuǎn)移到其他節(jié)點(diǎn)是由該節(jié)點(diǎn)到其他節(jié)點(diǎn)路徑上的信息素量的大小決定的,所以將螞蟻置于起點(diǎn),根據(jù)各個(gè)節(jié)點(diǎn)的信息素,計(jì)算在t時(shí)刻,螞蟻k從節(jié)點(diǎn)i轉(zhuǎn)移到節(jié)點(diǎn)j的當(dāng)前狀態(tài)轉(zhuǎn)移概率，即

(1)

步驟3 利用公式λt=1-e-(t2/Tmax)獲取當(dāng)前自適應(yīng)閾值,其中,λt為當(dāng)前自適應(yīng)閾值,t為當(dāng)前時(shí)刻,Tmax為預(yù)設(shè)的迭代時(shí)間;

步驟5 更新目前為止最優(yōu)路徑以及該最優(yōu)路徑的長度。

步驟6 重復(fù)步驟3到步驟6,直到螞蟻達(dá)到終點(diǎn)。

步驟7 重復(fù)步驟3至步驟7,直到這一代的M只螞蟻全部遍歷。

步驟9 重復(fù)步驟3～步驟9,直到迭代完成;

步驟10 對生成的路徑進(jìn)行優(yōu)化處理,使得路徑轉(zhuǎn)折處變少,更加貼近移動(dòng)機(jī)器人實(shí)際行走情況,在柵格面積足夠小且柵格數(shù)足夠多的情況下,經(jīng)過優(yōu)化處理的路徑是平滑的曲線;如圖2所示,dot(i)為路徑中的節(jié)點(diǎn),R=dot(i),imax為路徑節(jié)點(diǎn)總的數(shù)量。

圖2 路徑優(yōu)化處理

路徑優(yōu)化處理步驟如下：

步驟1 初始化處理,令R為蟻群算法進(jìn)行搜索路徑的初始節(jié)點(diǎn)。另外,蟻群算法搜索到的路徑為依次首尾相連的若干個(gè)線段。

步驟2 依次將節(jié)點(diǎn)R與其后不在同一條線段的所有節(jié)點(diǎn)連接,指定相連的另一個(gè)節(jié)點(diǎn)為Sf,f為非零自然數(shù)。

步驟3 判斷節(jié)點(diǎn)R與另一個(gè)節(jié)點(diǎn)Sf組成的路徑是否穿越了障礙柵格,如果所有的R與Sf組成的路徑中都經(jīng)過障礙柵格,則令R為當(dāng)前節(jié)點(diǎn)的下一節(jié)點(diǎn),返回步驟2,否則執(zhí)行步驟4。

步驟4 將繞過障礙柵格的R與Sf組成的路徑的中間連接節(jié)點(diǎn)刪除,判斷Sf節(jié)點(diǎn)是否為終點(diǎn),若是則執(zhí)行步驟5,結(jié)束算法,否則令R為當(dāng)前節(jié)點(diǎn)的下一節(jié)點(diǎn),繼續(xù)執(zhí)行步驟2。

步驟5 依次連接沒有被刪除的各節(jié)點(diǎn)形成新路徑代替蟻群算法生成的路徑。

所提的算法中的更新機(jī)制使移動(dòng)機(jī)器人前期缺乏信息素的情況下,可繼續(xù)通過更新機(jī)制來大大的提高對未知環(huán)境的自適應(yīng)性的準(zhǔn)確性和有效性,加快收斂速度和最優(yōu)路徑的搜索速度。

算法流程如圖3所示。

圖3 算法原理流程圖

3 實(shí)驗(yàn)分析

為驗(yàn)證本文所提出的改進(jìn)的自適應(yīng)蟻群算法在移動(dòng)機(jī)器人進(jìn)行路徑規(guī)劃的可行性、有效性,基于移動(dòng)機(jī)器人模型和RobotStudio6.04進(jìn)行實(shí)驗(yàn),運(yùn)行環(huán)境為:WIN10(64bit),CPU為Core i5-650,內(nèi)存為8 GB,實(shí)驗(yàn)環(huán)境劃分為10×10的3D柵格環(huán)境,障礙物如圖1所示設(shè)置。將從以下幾點(diǎn)進(jìn)行實(shí)驗(yàn)驗(yàn)證:

1) 引入?yún)?shù)和設(shè)置節(jié)點(diǎn);

2) 進(jìn)行平滑處理；

3) 在相同的實(shí)驗(yàn)環(huán)境中,將本文所述的算法得到的結(jié)果與傳統(tǒng)蟻群算法[14]以及文獻(xiàn)[15]中蟻群算法得到的結(jié)果進(jìn)行比較。

3.1 引入?yún)?shù)連接節(jié)點(diǎn)

為了驗(yàn)證本文所述的算法的自適應(yīng)性和效率性,對實(shí)際環(huán)境中某一區(qū)域,采用復(fù)雜環(huán)境地圖進(jìn)行實(shí)驗(yàn)。在本次實(shí)驗(yàn)中,蟻群算法的基本參數(shù)范圍為:信息啟發(fā)因子α∈{0.4,0.8,1,1.2,1.4},期望啟發(fā)因子β∈{1.2,…,15},信息素強(qiáng)度Q∈{1,2,…,20},信息素?fù)]發(fā)系數(shù)ρ∈{0.1,0.2,…,0.9},最大迭代次數(shù)N=100,螞蟻總數(shù)M=50,引入的自適應(yīng)閾值R∈{30,40,50,60,70,80,90,100},初始值R=30。每次實(shí)驗(yàn)改變公共的一個(gè)初始設(shè)置的參數(shù),其他參數(shù)不變,為了使改變的參數(shù)取值對工作環(huán)境適應(yīng)性更強(qiáng),本文在實(shí)驗(yàn)環(huán)境中對每個(gè)參數(shù)的仿真進(jìn)行10次實(shí)驗(yàn)取均值。經(jīng)實(shí)驗(yàn)結(jié)果可知,α=1,β=3,Q=5,ρ=0.5,迭代次數(shù)在80附近最優(yōu)。

同時(shí),以節(jié)點(diǎn)R與其后不在同一條線段的3個(gè)節(jié)點(diǎn)進(jìn)行連接,如圖4所示。通過以下10×10的柵格環(huán)境地圖詳細(xì)說明以上優(yōu)化處理的過程。

圖4 優(yōu)化過程

如圖4a)所示，令R為蟻群算法生成的路徑中的第一個(gè)節(jié)點(diǎn)，依次將節(jié)點(diǎn)R與其后不在同一條線段的節(jié)點(diǎn)S1、節(jié)點(diǎn)S2以及節(jié)點(diǎn)S3連接，判斷RS1、RS2以及RS3組成的路徑是否穿越了障礙柵格，如果RS1、RS2以及RS3組成的路徑都經(jīng)過障礙柵格，則令R為當(dāng)前節(jié)點(diǎn)的下一節(jié)點(diǎn)，重復(fù)執(zhí)行以上步驟，否則繼續(xù)向下執(zhí)行，如圖4a)所示，RS1、RS2以及RS3組成的路徑都經(jīng)過障礙柵格，所以令R為當(dāng)前節(jié)點(diǎn)的下一節(jié)點(diǎn)，重復(fù)執(zhí)行以上步驟，如圖4b)所示，RS1、RS2以及RS3組成的路徑仍然都經(jīng)過障礙柵格，繼續(xù)令R為當(dāng)前節(jié)點(diǎn)的下一節(jié)點(diǎn)，重復(fù)執(zhí)行以上步驟，直到如圖4c)所示，RS1組成的路徑未經(jīng)過障礙柵格，RS2以及RS3組成的路徑仍然都經(jīng)過障礙柵格，將繞過障礙柵格的RS1組成的路徑的中間連接節(jié)點(diǎn)刪除，即圖4c)中所示的C1節(jié)點(diǎn)刪除，刪除后的路徑圖形如圖5所示，此時(shí)，判斷圖4d)中S1節(jié)點(diǎn)是否為終點(diǎn)，若是則依次連接沒有被刪除的各節(jié)點(diǎn)形成新路徑代替蟻群算法生成的路徑，結(jié)束算法，否則繼續(xù)令R為當(dāng)前節(jié)點(diǎn)的下一節(jié)點(diǎn)，即令R為圖中所示的S1節(jié)點(diǎn)，繼續(xù)重復(fù)執(zhí)行執(zhí)行上述步驟，直到到達(dá)最后一個(gè)節(jié)點(diǎn)。最終優(yōu)化后的路徑如圖5所示，圖5的路徑較為平滑，屬于肉眼觀察效果，實(shí)際中仍為折線，但是在柵格面積足夠小且柵格數(shù)足夠多的情況下，經(jīng)過優(yōu)化處理的路徑是平滑的曲線，輸出最優(yōu)路徑。

圖5 效果對比圖

本文所述的算法與使用了傳統(tǒng)的蟻群算法文獻(xiàn)[14]和文獻(xiàn)[15]中自適應(yīng)蟻群算法分別在進(jìn)行了仿真實(shí)驗(yàn)，同時(shí)比較了3種算法的效率，3種算法的實(shí)驗(yàn)結(jié)果如圖5所示。針對運(yùn)動(dòng)軌跡，本文提出的算法使得機(jī)器人在行進(jìn)過程中的實(shí)際運(yùn)動(dòng)軌跡的效果更符合真實(shí)情況。本文算法和傳統(tǒng)蟻群算法[14]、文獻(xiàn)[15]中所述的自適應(yīng)蟻群算法的適應(yīng)度值和迭代次數(shù)進(jìn)行對比，如圖6所示。在100次重復(fù)性的進(jìn)行運(yùn)算之后，遍歷完整個(gè)實(shí)驗(yàn)環(huán)境后，得到最短的整體路徑距離、迭代次數(shù)和收斂時(shí)間，結(jié)果如表1所示。

圖6 3種算法的適應(yīng)度值與迭代次數(shù)關(guān)系對比

表1 實(shí)驗(yàn)環(huán)境中3種算法仿真結(jié)果

3.2 收斂分析

在圖6中本文所述的改進(jìn)的自適應(yīng)蟻群算法和傳統(tǒng)的蟻群算法[14]、文獻(xiàn)[15]中所述的自適應(yīng)蟻群算法在能搜索到最優(yōu)解的同時(shí)收斂速度提高了。表1表明,本文所述的算法比傳統(tǒng)蟻群算法路徑長度縮短33.8%,比文獻(xiàn)[15]中所述的自適應(yīng)蟻群算法縮短8%左右。上述實(shí)驗(yàn)仿真表明,本文所述的改進(jìn)的自適應(yīng)蟻群算法對未知環(huán)境適應(yīng)性更強(qiáng),并且收斂速度更快和迭代次數(shù)更少可尋找到最短路徑。同時(shí),對于前期信息素匱乏的情況下,本文所述的算法對于復(fù)雜和未知的環(huán)境有更強(qiáng)的適應(yīng)性,且可以有效避免陷入局部最優(yōu)。

3.3 實(shí)驗(yàn)認(rèn)證

基于本文所述的算法,采用VC++2018開發(fā)語言,研發(fā)了面向車站、機(jī)場以及倉庫等大型公共空間的清潔機(jī)器人路徑規(guī)劃軟件模塊和裝置,并在市場上得到應(yīng)用。實(shí)驗(yàn)場景為一個(gè)辦公室,在RobotStidio軟件中采用本文所述的改進(jìn)的自適應(yīng)蟻群算法對環(huán)境中的清潔機(jī)器人進(jìn)行路徑規(guī)劃,通過激光雷達(dá)自主規(guī)劃的路線如圖7所示,最終達(dá)成預(yù)期效果。實(shí)驗(yàn)結(jié)果表明,本文所提的算法生成的路徑更加符合移動(dòng)機(jī)器人在行進(jìn)過程中的實(shí)際運(yùn)動(dòng)軌跡,如圖7所示,直觀的展示了機(jī)器人運(yùn)行本文提出的改進(jìn)算法后在辦公室中的運(yùn)動(dòng)場景。

圖7 實(shí)驗(yàn)過程

綜上所述,通過實(shí)驗(yàn)和仿真效果來看,驗(yàn)證了本文算法在機(jī)器人進(jìn)行路徑搜索時(shí),具有自適應(yīng)性和穩(wěn)定性,在遍歷整體環(huán)境時(shí),更快的規(guī)劃出最短路徑,同時(shí)實(shí)際運(yùn)動(dòng)更符合移動(dòng)機(jī)器人實(shí)際的運(yùn)動(dòng)軌跡。

4 結(jié)束語

針對目前蟻群算法在求解移動(dòng)機(jī)器人的路徑規(guī)劃時(shí),存在不符合移動(dòng)型智能設(shè)備在運(yùn)動(dòng)過程中的實(shí)際運(yùn)動(dòng)路線、收斂速度慢、易陷入局部最優(yōu)解和前期存在信息素匱乏等問題,本文基于移動(dòng)機(jī)器人的應(yīng)用提出了一種新的更新自適應(yīng)機(jī)制來建立新的信息素改進(jìn)策略,增加了自適應(yīng)閾值和優(yōu)化處理蟻群算法生成的運(yùn)動(dòng)軌跡,使生成的路徑更符合機(jī)器人實(shí)際的運(yùn)動(dòng)路線,以及提高了移動(dòng)機(jī)器人在面對未知環(huán)境的行走更加高效且適應(yīng)性更好。本文所述的算法在RoboStidio中進(jìn)行驗(yàn)證,結(jié)果表明了本文所述的算法有效性,并且在實(shí)際工程應(yīng)用中,本文提出的方法能夠達(dá)到實(shí)際需求。